Apate AI Agents 卧底出击，将诈骗电话转化为欺诈情报

据这家澳大利亚初创公司称，Apate AI agents 已以潜在诈骗受害者的身份参与了 250 万次对话。这些 agents 的用途并非提升办公效率，而是接听可疑电话、回复消息和电子邮件，并参与社交邀请。它们的任务是在真实受害者蒙受资金损失之前，让诈骗者持续交谈并提取信息。

这一做法颠倒了人工智能与网络诈骗之间的常见关系。犯罪团伙早已利用 AI 翻译话术、伪造身份并开展跨境活动。Apate 则将类似的对话能力用于对抗这些团伙，打造绝不会转账或交出真实凭证的合成目标。

该公司表示，其 agents 已消耗诈骗者累计 17 年的时间。但被浪费的时间只是可见结果，更重要的产品是欺诈情报，包括银行账户、加密货币钱包、电话号码、钓鱼域名以及被冒充的品牌。

这使 Apate 进入了传统上由银行监控系统、电信过滤器和人工调查人员占据的领域。这些防御措施往往在诈骗者接触客户之后才识别出可疑行为。Apate 希望在诈骗者仍认为交易有可能达成时，便收集某场诈骗活动背后的基础设施信息。

因此，核心问题远不止聊天机器人能否让来电者受挫。Apate 必须证明，欺骗性对话能够足够迅速地生成经验证的情报，让客户得以制止仍在进行的诈骗活动。

Apate AI Agents 将诈骗者转化为情报来源

Apate 的关键做法，是将每一次被拦截的诈骗视为一次情报行动，而不只是一次被阻断的互动。

Apate 成立于 2024 年，源自悉尼 Macquarie University 开展的研究。该公司在语音和文本渠道部署了数千个虚构身份。这些身份在年龄、性别、口音、语言和表面上的技术能力方面各不相同。

一个 bot 可能接听诈骗性的技术支持电话，并表现得对网上银行感到困惑。另一个则可以回复投资消息，询问资金应汇往何处。文本 agents 可通过虚构档案进入可疑论坛或投资群组。

这些 agents 旨在揭示诈骗背后的运营细节。可获取的有用信息包括收款账户、加密货币地址、电子邮件地址、网站、电话号码、话术以及被针对的品牌。

Apate 联合创始人 Brad Joffe 向 TechCrunch 表示，该公司的 agents 每天会与数万名诈骗者交谈。随后，公司将从这些对话中获得的情报打包提供给银行、电信服务商、公用事业机构和政府部门。

这家初创公司的卧底 agent 报告描述了一套覆盖电话、消息、电子邮件、网站和社交平台的系统。客户还可以分配特定任务，例如获取与疑似诈骗活动相关的收款目的地。

这种基于任务的结构很重要。传统聊天机器人通常尝试满足使用者的需求，而 Apate 的 agents 则会在维持可信虚构身份的同时，追求一项调查目标。

Apate 表示，其同时使用前沿模型以及经诈骗对话微调的模型。微调是指利用特定任务示例来调整通用模型。在此案例中，这些示例帮助 agents 识别诈骗手法，并在压力下保持可信。

该公司还为客户提供洞察门户，用于监控诈骗活动、被针对的产品、被冒充的品牌和提取出的指标。这些指标随后可用于账户审查、域名封锁、客户警示或进一步调查。

最终形成了互动与防御之间的闭环。疑似诈骗被重定向，bot 收集信息，然后客户决定这些信息是否足以支持干预。

不过，Apate 并不独立控制这些最终行动。其价值取决于银行、电信运营商和机构能否在诈骗者更换基础设施之前，验证并利用所收集的证据。

为何欺诈防御需要更早的信号

Apate 正在推动欺诈团队从检测已经造成的伤害，转向在诈骗操作者仍在寻找受害者时调查诈骗活动。

银行传统上会监控异常的收款目的地、金额或交易行为。电信服务商则分析通话模式、发送者身份以及已知恶意号码。浏览器和电子邮件防御工具会拦截与已报告诈骗活动有关的域名或消息。

每一层防御仍然不可或缺。然而，许多信号都在接触已经发生后才出现。在一个电话号码积累到足够多的投诉而触发封锁之前，客户可能已经在与冒充者交谈。

诈骗者还可以轮换基础设施。被封锁的号码可以被替换，钓鱼页面可以迁移至另一域名，而被盗资金则可经由多个账户或钱包流转。

Apate 的赌注在于，直接互动能够更早暴露替换后的基础设施。期待最终收到款项的诈骗者必须提供收款目的地。冒充者必须说出某家机构、服务或投资机会。这些细节会成为调查人员的潜在指标。

随着犯罪分子采用 AI，时间挑战愈发紧迫。FBI 的 AI crime figures记录显示，2025 年共有 22,364 起投诉包含与 AI 相关的信息。经调整后的损失超过 8.93 亿美元。

这些数字并不意味着 AI 导致了每一笔报告中的损失。它们表明，合成媒体、自动化对话及相关工具如今已出现在大量已报告犯罪中。

Associated Press 的一项调查发现，犯罪团伙正使用美国 AI 系统翻译消息并管理虚构身份。该诈骗园区调查记录了面向多个语言和国家受害者的运营活动。

自动化改变了双方的经济模式。一名犯罪人员可借助生成式回复管理更多对话，而合成语音可使冒充行为更具迷惑性。因此，防御方需要能够处理高容量信息的系统，而无需为每次互动都分配人工调查人员。

这正是 Apate 模式施加压力的地方。如果自动化互动能够可靠地产生付款细节和诈骗活动模式，那么被动过滤看起来便不再完整。欺诈团队仍会拦截可疑流量，但也能够对其进行盘问。

Commonwealth Bank of Australia、TPG Telecom 和其他组织正在检验这一主张。澳大利亚全国反诈骗报告提及 Commonwealth Bank 与 Apate 的合作，并证实机构对对话式反制措施的广泛兴趣。

这份全国诈骗报告称，该银行与 Apate 合作部署 AI bots 对抗诈骗者。报告还描述了 TPG Telecom 一项涉及重定向诈骗电话的概念验证。

这些部署让 Apate 能够获得独立消费者应用程序难以取得的疑似诈骗流量。但它们也要求合作伙伴决定哪些电话可疑到足以被重定向。

这种依赖既带来杠杆，也带来风险。Apate 可以通过既有网络扩展规模，但网络边缘的分类若不够准确，可能会令其系统缺少有价值的对话，或错误地将合法来电转入系统。

Apate 如何在资金流动前发挥作用

其机制结合了流量重定向、可信的合成身份、持续对话以及对欺诈指标的结构化提取。

Apate 起源于创始人 Dali Kaafar 的一个简单观察。据称，在一次家庭野餐中，他假装误解诈骗方案，让一名诈骗来电者持续通话了 44 分钟。

这段交流使诈骗者在那几分钟内无法接触另一名受害者，同时也表明，延长对话能够揭示的信息不止一个电话号码。

Kaafar 和其他 Macquarie University 研究人员将这一直觉发展为正式研究项目。他们的主动防御项目涉及该大学、Apate、Commonwealth Bank 和 Australia’s Office of National Intelligence。

该项目描述了一种多语言对话 bot：它接收已经被识别为可疑的来电，随后呈现可信的受害者身份、延长互动，并近乎实时地提取威胁情报。

第一步分类至关重要。Apate 并不是假扮他人向随机人群拨打电话。在其电信部署中，疑似诈骗电话可以被重定向至受控环境。

接通后，agent 会处理来电者的语音，并选择能够维持诈骗者信心的回应。相应的诈骗预防专利描述了为延长通话而选择的回应，其中包括对情绪和对话退出信号的关注。

可信的身份需要保持一致。agent 不能在一句话中声称自己是退休人士，下一句又说自己正在上学。它必须记住细节、应对打断，并避免完成有害交易。

语音只是该系统的一部分。Apate 表示，其文本 agents 可以回复电子邮件、跟进钓鱼链接、进入可疑群组，并在网络平台上延续对话。

这种更广泛的覆盖范围反映了现代诈骗如何跨越多个渠道。第一条消息可能通过 SMS 抵达，随后转至即时通讯应用、虚假网站、电话和加密货币转账。

Apate 的 agents 可在这些对话中被赋予信息提取目标。银行可能优先获取受益人账号，加密货币调查可能寻求钱包地址，而品牌方则可能重点关注域名和冒充话术。

提取出的数据随后需要进行规范化。不同 agents 可能会遇到同一电话号码、钱包、名称或域名的不同变体。Apate 的情报层应当连接这些观察结果，并将其呈现为活动层面的证据。

据该公司称，TPG Telecom 已将近 59 万通电话转入其 agents。Apate 还表示，一家未具名的澳大利亚银行曾使用外呼 agents 干扰 22 起诈骗活动。

这些数字描述的是活动量，而不是经独立审计的有效性。被转移的一通电话并不自动意味着避免了一笔损失。同样，一个被发现的银行账户在金融机构对其施加限制前仍需验证。

Apate 表示，Commonwealth Bank 的公开报告诈骗损失减少了 76%。这一说法需要谨慎归因，因为许多控制措施都可能影响损失数据。客户教育、交易监控、赔付规则以及更广泛的市场变化，都可能影响最终结果。

最直接的有力证据其实更有限：机构正在转接真实的疑似诈骗流量，对话型智能体能够持续进行互动，而这些交流会生成现有反诈团队可以调查的标识信息。

真正的竞争：主动情报与被动拦截

Apate 的主要对手并非另一家聊天机器人公司，而是“反诈防御必须等到可识别交易或受害者举报出现后才能展开”的假设。

被动系统有一项重要优势：它们针对可观察事件运行。银行可以检查一笔尝试发起的付款。电信运营商可以衡量通话频率。电子邮件服务可以将链接与已知恶意域名进行比对。

主动互动所面对的确定性更低。可疑来电者可能是诈骗分子、激进营销人员，也可能是被不完善过滤器误判的合法人士。提取的信息可能是虚假的、重复使用的，或被故意植入的。

Apate 接受这种不确定性，以换取更早介入的机会。其智能体旨在将对话推进到诈骗分子暴露支付基础设施、操作方法或协同身份信息的阶段。

这种方法类似蜜罐：即为了吸引攻击者并揭示其行为而构建的诱饵系统。传统网络安全蜜罐会暴露虚假的服务器或凭证。Apate 则将这一概念延伸至自然语言关系中。

这一对话层至关重要，因为社会工程攻击依赖信任建立和逐步升级。技术元数据可以显示一次通话来自何处，但对话能够揭示虚构的问题、被要求采取的行动、被冒充的组织，以及预定的付款路径。

竞争对手及相邻产品切入的是流程中的不同环节。电信过滤器会在通话接通前识别可疑流量。银行会在结算前评估付款。区块链分析公司则在某个地址被识别后追踪资金。

人工调查员同样会开展诱骗诈骗分子和卧底工作。他们能够理解上下文、进行策略性即兴应对，并在对话变得敏感时作出判断。其局限在于成本与人力可用性。

Apate 并非要取代这四个层面。它提出的是位于检测与金融干预之间的自动化采集层。该层试图将可疑接触转化为证据。

这一差异也解释了为何单纯浪费诈骗分子的时间并不够。诈骗者可能同时运营大量对话，或使用自动化工具。当攻击者的边际成本接近零时，维持单个会话的价值就会下降。

即便在这种情况下，高质量情报依然可能具有价值。一个支付账户、钱包或可重复使用的域名，可以将对话关联至防御者能够在多起案件中调查的基础设施。

但竞争格局依然并不对称。犯罪分子可以测试来电者是否具有合成语音特征、提出对抗性问题，或向机器人提供伪造标识信息。他们还可以将对话转移到自动化采集面临技术或政策限制的平台上。

双方的 AI 智能体都可能持续改进。诈骗分子会使用模型生成更具适应性的脚本。防御者会利用模型探测这些脚本，并关联重复出现的指标。

这将形成一个对抗性反馈循环。每次对话都可能改进防御者的模型，但也可能教会诈骗分子机器人如何运作。运营保密、模型更新和多样化人设将成为核心防御要求。

因此，Apate 的路径比构建一个对话演示更具挑战。该公司必须在那些主动学习、测试和适应的对手面前，持续维持可信的智能体。

Apate 的数据仍未证明什么

对话量证明了规模，但决定性指标在于：Apate 的情报究竟能多频繁地防止损害，同时又不干扰合法通信。

该公司表示，其智能体已进行了 250 万次对话，并消耗了诈骗分子 17 年的时间。这些数字令人印象深刻，但都没有直接衡量避免了多少损失。

一次长对话可能不会产生任何可用信息。一次短互动则可能立即暴露银行账户。仅衡量时长，可能会奖励听起来很出色、却未改善客户结果的互动。

提取出的指标也具有不同程度的可靠性。电话号码可能被伪造，网站可能消失，银行账户也可能属于被操控的洗钱跑分者。诈骗分子还可能故意提供他人的信息。

因此，客户需要置信度评分、溯源记录和人工审核。溯源记录说明一条情报来自何处，以及它如何发生变化。缺少这些记录，调查人员便无法区分强指标与智能体的错误解读。

误报会带来真实后果。冻结无辜者的账户或拦截合法企业号码，可能造成财务损失，也会削弱人们对更广泛反诈系统的信任。

数据处理则带来另一个尚未解决的问题。诈骗对话可能包含疑似犯罪分子、受害者、洗钱跑分者或无关第三方的个人信息。不同司法辖区对记录、处理、保留和共享这些信息施加不同规则。

Apate 表示，其平台强调隐私、合规及受控的情报共享。公开报道并未提供足够细节，无法评估其数据保留期限、模型训练边界或客户审计程序。

模型依赖性也带来了另一个问题。据报道，Apate 将前沿模型与自身微调系统结合使用。外部模型政策、延迟、服务中断以及安全行为变化，都可能影响智能体表现。

这些智能体还必须抵御提示注入，即恶意文本试图覆盖模型既定指令的情况。怀疑对方是机器人的诈骗分子，可能会命令其披露内部提示词、放弃既定人设，或生成被禁止的内容。

成功抵御此类攻击，不能只依赖强大的系统提示词。Apate 还需要受约束的工具、隔离的数据存储、监控机制，以及防止对话触发未经授权操作的安全措施。

此外，还存在将相关性误认为因果关系的风险。若合作伙伴在采用 Apate 后报告诈骗损失下降，这种减少可能反映了同时部署的多项控制措施。一项可信的评估应当隔离 Apate 的实际贡献。

有用的信息披露应包括：被转接联系人中被确认是诈骗的比例、其中产生可操作指标的比例，以及从提取信息到实施干预之间的时间。客户还应追踪误报撤销情况和经核实避免的损失。

独立审计将使该公司的主张更容易在不同机构间进行比较。标准化定义可以区分已发起对话、持续对话、已收集指标、已验证指标和已扰乱的诈骗活动。

Apate 的研究基础使其比典型的智能体演示更具实质内容。不过，要从试点证据走向可重复的商业化控制方案，仍需要透明的结果衡量。

三个信号将显示 Apate 反诈情报能否规模化

下一阶段将检验 Apate 能否将一项富有创意的澳大利亚部署，转变为横跨市场、渠道和监管体系的可信基础设施。

第一个信号是经验证的客户表现。Apate 点名提到了 Commonwealth Bank 和 TPG Telecom，同时也笼统提及公用事业机构、政府机构以及另一家澳大利亚银行。

未来案例研究需要提供与明确基线挂钩的结果指标。最有力的证据将把经过验证的指标与被拦截的账户、被移除的域名、被扰乱的诈骗活动或减少的损失联系起来。

第二个信号是国际部署。据该公司及 TechCrunch 报道，Apate 在 2026 年 8 月完成了 815 万美元种子轮融资。其累计融资额据称略低于 1000 万美元。

这家拥有 20 名员工的初创公司计划将资金用于产品开发和国际扩张。它计划在伦敦设立办公室，并扩大在美国的业务布局。

扩张将检验该系统能否处理新的口音、语言、诈骗脚本、隐私规则和机构工作流。在澳大利亚通话数据上训练的模型，不能简单假定其他地区存在完全相同的行为模式。

在英国或美国取得成功，将强化 Apate 关于其架构具有泛化能力的主张。缓慢的试点推进或有限的渠道接入，则表明合作关系、监管和本地数据仍是主要限制因素。

第三个信号是对抗韧性。诈骗分子最终会识别出反复出现的合成语音、对话习惯或转接模式。一些人会试图通过提供误导性账户和域名来污染情报。

Apate 必须证明其智能体能够持续演进，同时不变得不安全或不可预测。它还需要检测系统，以识别诈骗分子何时是在测试机器人，而非针对受害者展开诈骗。

这些信号比对话总数更重要。经验证的干预体现效用，国际合作体现可迁移性，对抗性表现则体现持久性。

更广泛的重要性不止于诈骗电话。Apate 展示了智能体 AI 的一个不同寻常方向，即能够在多个对话步骤中追求目标的软件。在这里，这一目标是针对敌对参与者进行受控情报采集。

这一模式将吸引银行、电信运营商、网络安全团队和政府机构的关注。它也会引发有关身份、同意、证据质量和可问责自动化的问题。

对于关注这一市场的知识工作者而言，一个有用习惯是将公司主张与经验证结果区分开来。可检索的 AI knowledge base 可帮助团队保留来源、假设和后续修正。

请关注经验证的结果，而不仅是有趣的录音。如果 Apate 能够持续将敌对对话转化为及时干预，反诈防御将获得新的采集层。如果验证过程仍不透明，这些机器人可能只是浪费诈骗分子的时间，却无法证明它们保护了更多受害者。